Die Mehrheitsgruppe verkleinern

Anstatt die Anzahl der Betrugsfälle im Datensatz zu erhöhen, kannst du zufällig legitime Fälle entfernen, um den Datensatz auszugleichen. Lass uns die Mehrheitsklasse (Class = 0) im creditcard-Datensatz unterstichproben. In der Konsole kannst du table() verwenden, um herauszufinden, wie viele betrügerische und legitime Transaktionen im Datensatz enthalten sind.

Diese Übung ist Teil des Kurses

Fraud Detection in R

Kurs anzeigen

Anleitung zur Übung

Lade die ROSE-Bibliothek.
Lege n_new als benötigte Fallzahl im unterstichproben Datensatz so fest, dass der neue Datensatz zu 40 % aus Betrugsfällen besteht. Dafür musst du die Anzahl der Betrugsfälle durch den gewünschten Prozentsatz der Betrugsfälle im unterstichproben Datensatz teilen.
Führe die Unterstichprobe des Datensatzes durch.
Verwende table() und prop.table(), um die Klassenbalance des unterstichproben Datensatzes zu prüfen.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Load ROSE
___

# Calculate the required number of cases in the over-sampled dataset
n_new <- ___

# Under-sample
undersampling_result <- ___(formula = ___, data = ___,
                           ___ = ___, ___ = ___, seed = 2018)

# Verify the Class-balance of the under-sampled dataset
undersampled_credit <- undersampling_result$___
___(___(___))

Code bearbeiten und ausführen